RAG Web Browser MCP-server

Hvad gør “RAG Web Browser” MCP-serveren?

RAG Web Browser MCP-serveren er et specialiseret værktøj, der er designet til at give AI-assistenter og store sprogmodeller (LLM’er) mulighed for at interagere med internettet og udtrække opdateret information fra websider. Den kører lokalt og forbinder til RAG Web Browser Actor i Standby-tilstand, hvilket muliggør problemfri kommunikation mellem AI-agenter og webindhold. Hovedfunktionerne inkluderer at udføre websøgninger, scrape de øverste N URL’er fra søgeresultater og returnere det oprensede indhold som Markdown. Derudover kan den hente indholdet fra en enkelt URL og præsentere det i et brugervenligt markdown-format. Dette gør det muligt for LLM’er at tilgå, opsummere og anvende live webdata, hvilket forbedrer deres evner til forskning, indholdsgenerering og workflow-automatisering.

Liste over Prompts

Ingen promptskabeloner er eksplicit nævnt i repositoryet eller dokumentationen.

Klar til at vokse din virksomhed?

Start din gratis prøveperiode i dag og se resultater inden for få dage.

Anmod om demo Log ind

Liste over Ressourcer

Ingen eksplicitte ressourcer er defineret i den tilgængelige dokumentation eller repositories.

Liste over Værktøjer

• search:
  Forespørg Google Search, scrape de øverste N URL’er fra resultaterne og returnér det oprensede indhold som Markdown.
  • Argumenter:
    • query (string, påkrævet): Søgeterm eller URL
    • maxResults (number, valgfrit): Maksimalt antal søgeresultater, der skal scrapes (standard: 1)
    • scrapingTool (string, valgfrit): Vælg et scraping-værktøj (‘browser-playwright’ eller ‘raw-http’; standard: ‘raw-http’)
    • outputFormats (array, valgfrit): Outputformater (’text’, ‘markdown’, ‘html’; standard: [‘markdown’])
    • requestTimeoutSecs (number, valgfrit): Maksimal tid i sekunder for forespørgslen (standard: 40)

Tilmeld dig vores nyhedsbrev

Få de seneste tips, trends og tilbud gratis.

E-mailadresse

Tilmeld

Anvendelsesmuligheder for denne MCP-server

• Automatiseret websøgning
  Gør det muligt for AI-agenter at udføre live websøgninger og hente opsummeret information fra de øverste resultater, nyttigt til forskning og besvarelse af opdaterede forespørgsler.

• Indholdsudtrækning til RAG-pipelines
  Integrér med Retrieval-Augmented Generation (RAG)-workflows for at hente og behandle webindhold som pålidelig kontekst for LLM-svar.

• Opsummering af websider
  Hent og oprens indholdet fra specifikke URL’er, så udviklere eller LLM’er hurtigt kan indlæse og opsummere relevant information.

• Dataindsamling til markeds-/konkurrentanalyse
  Brug serveren til at scrape konkurrenters sider eller markedsnyheder og få realtidsintelligens til forretningsapplikationer.

Sådan opsætter du det

Windsurf

1. Sørg for at Node.js og npm er installeret.
2. Find din Windsurf-konfigurationsfil.
3. Tilføj RAG Web Browser MCP-serveren til objektet mcpServers:

   {
     "mcpServers": {
       "rag-web-browser": {
         "command": "npx",
         "args": ["@apify/mcp-server-rag-web-browser@latest"]
       }
     }
   }
   

4. Gem konfigurationen og genstart Windsurf.
5. Bekræft at serveren kører og er tilgængelig.

Sikring af API-nøgler (Eksempel)

{
  "mcpServers": {
    "rag-web-browser": {
      "command": "npx",
      "args": ["@apify/mcp-server-rag-web-browser@latest"],
      "env": {
        "APIFY_TOKEN": "process.env.APIFY_TOKEN"
      },
      "inputs": {
        "apiKey": "${APIFY_TOKEN}"
      }
    }
  }
}

Claude

1. Bekræft at Node.js og npm er tilgængelige.
2. Åbn Claudes konfigurationsfil.
3. Tilføj MCP-serveren således:

   {
     "mcpServers": {
       "rag-web-browser": {
         "command": "npx",
         "args": ["@apify/mcp-server-rag-web-browser@latest"]
       }
     }
   }
   

4. Gem og genstart Claude.
5. Tjek for korrekt integration.

Cursor

1. Installer Node.js og npm hvis nødvendigt.
2. Find Cursors konfigurationsfil.
3. Indsæt MCP-serveren:

   {
     "mcpServers": {
       "rag-web-browser": {
         "command": "npx",
         "args": ["@apify/mcp-server-rag-web-browser@latest"]
       }
     }
   }
   

4. Gem konfigurationen, genstart Cursor.
5. Bekræft at serveren vises i MCP-værktøjer.

Cline

1. Sørg for at Node.js og npm er installeret.
2. Redigér Clines konfiguration.
3. Tilføj følgende JSON:

   {
     "mcpServers": {
       "rag-web-browser": {
         "command": "npx",
         "args": ["@apify/mcp-server-rag-web-browser@latest"]
       }
     }
   }
   

4. Gem og genstart Cline.
5. Valider MCP-serverforbindelsen.

Bemærk: Sikr dine API-nøgler med miljøvariabler som vist i Windsurf-eksemplet.

Sådan bruges denne MCP i flows

Brug af MCP i FlowHunt

For at integrere MCP-servere i dit FlowHunt-workflow, start med at tilføje MCP-komponenten til dit flow og forbind den til din AI-agent:

Klik på MCP-komponenten for at åbne konfigurationspanelet. I systemets MCP-konfigurationssektion indsætter du dine MCP-serveroplysninger ved at bruge dette JSON-format:

{
  "rag-web-browser": {
    "transport": "streamable_http",
    "url": "https://yourmcpserver.example/pathtothemcp/url"
  }
}

Når den er konfigureret, kan AI-agenten nu bruge denne MCP som et værktøj med adgang til alle dens funktioner og kapaciteter. Husk at ændre “rag-web-browser” til det faktiske navn på din MCP-server og erstatte URL’en med din egen MCP-server URL.

Oversigt

Baseret på nedenstående tabeller er RAG Web Browser MCP-serveren strømlinet og meget målrettet til webinteraktion, men mangler bredere MCP-principper som prompts og ressourcer. Den leverer alt det nødvendige til opsætning og sikker drift, med et stærkt og veldokumenteret primært værktøj. Sampling og Roots-support er ikke nævnt.

Vores vurdering

MCP-serveren er fokuseret og funktionel, ideel til scenarier hvor adgang til webdata er nødvendigt i LLM-workflows. Den er let at sætte op, har en klar licens og er moderat populær. Fraværet af promptskabeloner og eksplicitte ressourcer begrænser fleksibiliteten til mere tilpassede eller komplekse brugssager, men til RAG og live websøgning er den fremragende. Score: 7/10

MCP-score